Matlab最小二乘法：线性最小二乘、加权线性最小二乘、稳健最小二乘、非线性最小二乘与剔除异常值效果比较

在数据分析中，最小二乘法是一种常用的回归分析方法。通过最小化预测值与实际观测值之间的平方误差，最小二乘法可以估计出最佳拟合直线的参数。然而，在实际应用中，数据常常存在异常值，这些异常值会对最小二乘法的结果产生不利影响。为了解决这个问题，我们可以采用不同的最小二乘法变体，如线性最小二乘法、加权线性最小二乘法、稳健最小二乘法和非线性最小二乘法。下面我们将逐一介绍这些方法，并通过Matlab代码示例展示它们的应用。
线性最小二乘法是最基础的最小二乘法形式，它假设数据点与模型之间的关系是线性的。线性最小二乘法的目标是找到最佳拟合直线，使得所有数据点到直线的垂直距离之和最小。在Matlab中，我们可以使用lmfit函数来实现线性最小二乘法。
加权线性最小二乘法是在线性最小二乘法的基础上引入了权重因子。权重因子的作用是调整不同数据点对拟合结果的影响程度。加权线性最小二乘法的目标是找到最佳拟合直线，使得所有数据点到直线的垂直距离的加权和最小。在Matlab中，我们可以使用wlmfit函数来实现加权线性最小二乘法。
稳健最小二乘法又称为M估计法，它是一种对异常值具有鲁棒性的最小二乘法。稳健最小二乘法的目标是找到最佳拟合直线，使得所有数据点到直线的垂直距离的加权和最大。在Matlab中，我们可以使用robustfit函数来实现稳健最小二乘法。
非线性最小二乘法假设数据点与模型之间的关系是非线性的。非线性最小二乘法的目标是找到最佳拟合曲线或曲面，使得所有数据点到曲线的垂直距离之和最小。在Matlab中，我们可以使用nlinfit函数来实现非线性最小二